Линейная регрессия, Ridge и Lasso

Автор: Митков Антон

CC BY 4.0.

Выполняйте ячейки сверху вниз. Сначала решите задачи, затем обратитесь к решениям.

Чему научимся

Представьте, что у вас есть два завода, $A$ и $B$, и вы хотите узнать, сколько стульев они произвели вместе, если завод $A$ работал $x_1$ часов, а завод $B$ — $x_2$ часов. Такие задачи вы часто решали в школе, и решение у них очень простое: если мы знаем, что завод $A$ производит 2 стула в час, а завод $B$ — 5 стульев в час, вы легко определите, что вместе они сделали

$$S = 2x_1 + 5x_2.$$

Сейчас мы увидели очень упрощённый принцип работы линейной модели. Нам повезло, что кто-то уже сказал, какие коэффициенты стоит использовать. А что, если коэффициенты неизвестны? Как подобрать их так, чтобы предсказания были точными, и где вам поможет линейная модель? Именно об этом мы поговорим в этой главе.

После занятия вы сможете:

• Вычислять прогноз линейной модели, остатки и MSE и находить прямую по нескольким точкам.
• Объяснять, как Ridge и Lasso изменяют веса и почему только Lasso обнуляет их.
• Выбирать силу штрафа по проверочной части, масштабируя признаки внутри конвейера.

Время и подготовка: ориентир 8–10 часов с практикой. Нужны график прямой, среднее значение, квадрат числа и основы Python. Основной маршрут — прямая, остатки, MSE и библиотечное обучение; выводы формул и опыт с 12 признаками можно пройти как углубление после первого запуска кода.

План: линейная комбинация → функция потерь MSE → метод наименьших квадратов → где модель ломается → Ridge и Lasso → выбор силы штрафа → код.

Все данные занятия — учебные синтетические: мы придумали их или сгенерировали случайным образом. Выводы о реальном мире по ним делать нельзя.

Регрессия и классификация

В занятии 1.2 мы угадывали класс героя: «воин» или «маг». Ответ выбирался из короткого списка — это задача классификации. Число стульев, цена квартиры или балл за тест — числа, и между любыми двумя ответами есть промежуточные. Предсказание числа называют задачей регрессии. Линейная регрессия решает именно её; к классификации линейные модели вернутся в занятии 1.6.

Линейная комбинация

Линейные модели лучше всего использовать тогда, когда целевая переменная $y$ — это линейная комбинация каких-то признаков. Другими словами, $y$ можно записать как

$$y = a_1x_1 + a_2x_2 + \dots + a_nx_n + b_0,$$

где $a_1, a_2, \dots, a_n, b_0$ — коэффициенты линейной модели, а $x_1, x_2, \dots, x_n$ — независимые переменные (признаки).

В нашем игрушечном примере нам уже выдали правильные коэффициенты: мы просто подставляли признаки в уравнение и получали ответ.

Но в реальной жизни подобрать правильные коэффициенты — отдельная задача. Обучение линейной модели — это процесс подбора таких коэффициентов, чтобы модель как можно точнее предсказывала целевое значение.

Дальше будем называть коэффициенты при признаках весами и обозначать $w_1, \dots, w_n$, а свободный член — сдвигом $b$. Прогноз модели пишут с «крышкой», чтобы отличать его от настоящего ответа $y$:

$$\hat y = w_1x_1 + \dots + w_nx_n + b.$$

Начнём с одного признака. Школьник готовился к пробным тестам и записал, сколько часов занимался ($x$) и сколько баллов получил ($y$): $(1;3)$, $(2;5)$, $(3;4)$, $(4;8)$. Модель $\hat y = wx + b$ — это прямая: вес $w$ показывает, на сколько баллов растёт прогноз за каждый час подготовки, а сдвиг $b$ — прогноз при $x=0$. Ни одна прямая не пройдёт через все четыре точки. Какую же выбрать?

Почему предсказать значение точно невозможно

Мы хотим определять значение как можно точнее, но почему же нельзя предсказать его абсолютно точно? В реальном мире огромную роль играют погрешности: неточность датчиков, ошибки людей при разметке данных, а также всё, что влияет на ответ, но не попало в признаки. Балл за тест зависит не только от часов подготовки, но и от сна, настроения и вопросов в варианте. Чем больше данных мы собираем, тем точнее можно оценить коэффициенты, но случайный разброс отдельного ответа никуда не исчезнет.

Как же оценить, насколько хорошо модель справляется с задачей? Для этого существуют функции потерь (loss-функции), которые показывают, насколько сильно модель ошиблась в своих предсказаниях. Обучая линейную модель, мы подбираем коэффициенты так, чтобы функция потерь стала минимальной.

Функция потерь MSE

Ошибку на одном объекте называют остатком: $e_i = y_i - \hat y_i$. Положительный остаток означает, что модель недооценила ответ, отрицательный — что переоценила.

Сложить остатки нельзя: $+3$ и $-3$ дадут ноль, хотя модель ошибалась оба раза. Поэтому каждую ошибку возводят в квадрат и усредняют. Получается средняя квадратичная ошибка (mean squared error):

$$\mathrm{MSE}=\frac1n\sum_{i=1}^{n}(y_i-\hat y_i)^2.$$

Квадрат делает две вещи. Во-первых, все слагаемые становятся неотрицательными. Во-вторых, он наказывает за большие проступки гораздо сильнее, чем за маленькие. Представьте учителя, который за опоздание на 1 минуту даёт 1 штрафное очко, на 2 минуты — 4 очка, а на 5 минут — уже 25. Пять опозданий по минуте обойдутся в 5 очков, а одно на пять минут — в 25. Так и MSE: модели выгоднее немного ошибиться на многих объектах, чем сильно — на одном.

Рисунок 1 — Остатки и сравнение прямых по MSE

Слева — лучшая прямая $\hat y = 1{,}4x + 1{,}5$ и её остатки (оранжевые отрезки). Пунктиром показан ответ «всем среднее» $\bar y = 5$ из занятия 1.1: его MSE равна $3{,}5$, а у прямой — $1{,}05$. Признак действительно помогает. Справа сравнены три прямые: та, что лучше проходит через облако точек, имеет меньшую MSE.

Метод наименьших квадратов

Основной смысл: мы подбираем прямую, чтобы сумма квадратов вертикальных ошибок была минимальной. Формулу для одного признака ниже полезно проверить по таблице; её вывод не нужен для применения LinearRegression в библиотеке.

На уроках физики в лабораторных работах вы наносили измерения на график и проводили прямую «на глаз» так, чтобы точки лежали как можно ближе к ней. Метод наименьших квадратов (МНК) делает то же самое строго: ищет $w$ и $b$, при которых MSE минимальна.

Для одного признака ответ даёт готовая формула. Через $\bar x$ и $\bar y$ обозначим средние значения:

$$w=\frac{\sum (x_i-\bar x)(y_i-\bar y)}{\sum (x_i-\bar x)^2},\qquad b=\bar y-w\bar x.$$

Посчитаем для наших точек: $\bar x=2{,}5$, $\bar y=5$.

Таблица 1 — Вычисление весов методом наименьших квадратов

$x$	$y$	$x-\bar x$	$y-\bar y$	произведение	$(x-\bar x)^2$
1	3	−1,5	−2	3	2,25
2	5	−0,5	0	0	0,25
3	4	0,5	−1	−0,5	0,25
4	8	1,5	3	4,5	2,25

Сумма произведений $S_{xy}=7$, сумма квадратов $S_{xx}=5$. Значит, $w=7/5=1{,}4$ и $b=5-1{,}4\cdot2{,}5=1{,}5$. Прогнозы равны $2{,}9;\ 4{,}3;\ 5{,}7;\ 7{,}1$, остатки — $+0{,}1;\ +0{,}7;\ -1{,}7;\ +0{,}9$. Их сумма равна нулю: у МНК со сдвигом так бывает всегда. Наконец, $\mathrm{MSE}=(0{,}01+0{,}49+2{,}89+0{,}81)/4=1{,}05$.

Для многих признаков веса находят из системы $X^{\top}Xw=X^{\top}y$ (нормальное уравнение); её решает библиотека. Есть и более общий путь — градиентный спуск: начинаем с любых весов и понемногу сдвигаем их в сторону, где MSE уменьшается, то есть против производной. Обозначим $d_i=\hat y_i-y_i$. Тогда

$$\frac{\partial\,\mathrm{MSE}}{\partial w}=\frac2n\sum d_ix_i,\qquad \frac{\partial\,\mathrm{MSE}}{\partial b}=\frac2n\sum d_i.$$

Сделаем один шаг из $w=b=0$. Все прогнозы нулевые, поэтому $d_i$ равны $-3,-5,-4,-8$, а производные — $\frac24(-3-10-12-32)=-28{,}5$ и $\frac24(-20)=-10$. Обе отрицательны: увеличивая $w$ и $b$, мы уменьшаем MSE. С шагом $0{,}05$ получаем $w=0-0{,}05\cdot(-28{,}5)=1{,}425$ и $b=0-0{,}05\cdot(-10)=0{,}5$, а MSE падает с $28{,}5$ до примерно $1{,}93$. Повторяя такие шаги, спуск приходит к тем же $w=1{,}4$ и $b=1{,}5$, что дала формула.

Соберём всё вместе. Обучение линейной модели — это круг из четырёх шагов: прогноз, остаток, потери, поправка весов. На схеме он показан для точки $(3;4)$.

Рисунок 2 — Прогноз, остаток, потери и поправка весов

Градиентный спуск проходит этот круг много раз, понемногу меняя $w$ и $b$. МНК решает ту же задачу сразу: формула выдаёт веса, на которых круг бы и остановился.

Где линейная регрессия ломается

Выбросы. Вспомните штраф за опоздание: одна большая ошибка весит как много маленьких. Поэтому одна странная точка заметно поворачивает прямую. На рисунке ниже слева наклон падает с $0{,}73$ до $0{,}30$ из-за единственного выброса.

Почти одинаковые признаки (мультиколлинеарность). Пусть $x_2\approx x_1$, например рост в сантиметрах и рост, измеренный другим прибором. Прогноз зависит почти только от суммы $w_1+w_2$, поэтому модель может отдать вес любому из двух признаков. От выборки к выборке отдельные веса «гуляют» (справа ниже), а читать их как вклад признака бессмысленно.

Рисунок 3 — Влияние выброса и почти одинаковых признаков

Зачем нужны Ridge и Lasso

Здесь достаточно сначала понять общую идею: штраф не добавляют к готовому прогнозу, а учитывают при подборе весов. Ridge обычно сжимает веса, Lasso может сделать некоторые ровно нулевыми. Формулы для одного признака и мягкий порог ниже — углубление, которое объясняет разницу точнее.

Обе проблемы связаны с весами: выброс тянет их в свою сторону, а при похожих признаках веса неустойчивы и могут вырасти до больших значений разных знаков. Идея регуляризации — добавить к ошибке плату за большие веса. Тогда модель увеличит вес, только если это действительно заметно уменьшает ошибку.

Ridge: штраф на квадраты весов

Ridge-регрессия (штраф $L_2$) минимизирует

$$\sum_{i=1}^{n}(y_i-\hat y_i)^2+\lambda\sum_{j=1}^{p}w_j^2.$$

Число $\lambda\ge0$ задаёт силу штрафа: при $\lambda=0$ получаем обычный МНК, при большом $\lambda$ веса прижимаются к нулю. Сдвиг $b$ не штрафуют: он лишь поднимает или опускает прямую.

Для нашего примера с одним признаком получается простая формула $w=S_{xy}/(S_{xx}+\lambda)$. При $\lambda=5$ вес равен $7/10=0{,}7$ — вдвое меньше, чем $1{,}4$; при $\lambda=15$ — уже $0{,}35$. Вес уменьшается, но в ноль не обращается. При похожих признаках Ridge делит вес между ними поровну, поэтому синее облако на рисунке выше компактное и лежит возле истинной точки.

Lasso: штраф на модули весов

Lasso (штраф $L_1$) заменяет квадраты модулями:

$$\sum_{i=1}^{n}(y_i-\hat y_i)^2+\lambda\sum_{j=1}^{p}|w_j|.$$

Для нашего примера $w=(S_{xy}-\lambda/2)/S_{xx}$, пока числитель положителен. При $\lambda=4$ получаем $w=(7-2)/5=1$. При $\lambda\ge14$ числитель становится неположительным, и $w$ равен ровно нулю. Операция «вычесть порог, но не переходить через ноль» называется мягким порогом.

Рисунок 4 — Изменение весов под действием штрафов Ridge и Lasso

Слева по горизонтали отложен вес $z$, который получился бы без штрафа, а по вертикали — вес со штрафом. Ridge уменьшает любой вес в одно и то же число раз. Lasso обнуляет малые веса, а из больших вычитает порог. Справа видно почему: у $|w|$ в нуле излом, и минимум может оказаться ровно там. У $w^2$ гладкая чаша: минимум сдвигается к нулю, но не попадает в него.

Сведём три способа подбора весов в одну шпаргалку. Столбики на ней схематичные: они показывают характер изменений, а не веса из наших данных.

Рисунок 5 — Сравнение МНК, Ridge и Lasso

Как применять Lasso и выбирать силу штрафа

Следующий опыт с 12 признаками показывает, как работает регуляризация на более широкой таблице. Для первого прохода можно читать выводы и выполнить готовый листинг; самостоятельный разбор всех коэффициентов оставьте после освоения конвейера StandardScaler + модель.

Сравним модели на учебных данных с известной истиной: 12 признаков, ответ $y=5+3x_1-2x_2+1{,}5x_3+\text{шум}$, остальные истинные веса равны нулю, а $x_4\approx x_1$ — почти копия первого признака. Всего 90 объектов: 30 на обучение (train), 30 на проверку (validation) и 30 на итоговый тест.

Рисунок 6 — Пути коэффициентов Ridge и Lasso

Пути коэффициентов показывают, как веса меняются при росте силы штрафа (в scikit-learn она называется alpha). У Ridge все линии плавно стремятся к нулю. У Lasso лишние признаки исчезают раньше полезных, а последними остаются $x_1$, $x_2$ и $x_3$.

В этом и состоит главное применение Lasso — отбор признаков. Нулевой вес означает, что признак не участвует в прогнозе. Его можно не собирать и не хранить, а модель становится короче и понятнее. Ненулевые веса при стандартизованных признаках можно сравнивать по модулю: чем больше модуль, тем сильнее признак влияет на прогноз. Но при почти одинаковых признаках Lasso часто оставляет только один из них, и какой именно — зависит от выборки. Поэтому нулевой вес не доказывает, что признак бесполезен сам по себе.

Силу штрафа подбирают по проверочной части: пробуют сетку значений и выбирают то, при котором ошибка на validation минимальна. Тест используют один раз, в самом конце. Учтите, что в scikit-learn alpha определён у двух моделей по-разному: для Ridge $\alpha=\lambda$, а Lasso делит ошибку на $2n$, поэтому $\lambda=2n\alpha$. Сравнивать числа alpha у Ridge и Lasso нельзя.

Масштаб. Штраф одинаково давит на все веса, а вес зависит от единиц измерения: признак в граммах вместо килограммов получит вес в 1000 раз меньше и почти не будет оштрафован. Поэтому числовые признаки стандартизуют по формуле $\frac{x-\mu}{\sigma}$, где среднее $\mu$ и разброс $\sigma$ считают только по train. Масштабирование и модель объединяют в конвейер (make_pipeline): при обучении он находит $\mu$ и $\sigma$ по train, а для validation и test применяет уже найденные значения — как с min–max нормализацией в занятии 1.2. Так сведения из проверочных данных не попадают в обучение.

Рисунок 7 — Веса моделей и выбор силы регуляризации

МНК почти весь вес $x_1$ отдал его копии $x_4$ и раздал заметные веса шумовым признакам. Ridge сжал веса, но оставил все ненулевыми. Lasso обнулил 7 весов из 12. Точки на кривых справа — выбранные значения alpha; у обеих моделей со штрафом ошибка на проверке ниже, чем у МНК.

Повторим на Python

Начнём с ручного примера из четырёх точек: формулы МНК, один шаг градиентного спуска и формулы Ridge и Lasso для одного признака.

import numpy as np

x = np.array([1., 2., 3., 4.])
y = np.array([3., 5., 4., 8.])
xc, yc = x - x.mean(), y - y.mean()
sxy, sxx = (xc * yc).sum(), (xc ** 2).sum()

w = sxy / sxx
b = y.mean() - w * x.mean()
e = y - (w * x + b)
print("w, b:", w, b)
print("остатки:", e.round(2), "сумма:", e.sum().round(10))
print("MSE прямой:", (e ** 2).mean(), " MSE среднего:", ((y - y.mean()) ** 2).mean())

# один шаг градиентного спуска из w = b = 0
d = 0 * x + 0 - y
w1 = 0 - 0.05 * 2 * np.mean(d * x)
b1 = 0 - 0.05 * 2 * np.mean(d)
print("после шага:", w1, b1)

# один признак: Ridge и Lasso по формулам этого занятия
print("Ridge, lambda = 5:", sxy / (sxx + 5))
for lam in (4, 14):
    print("Lasso, lambda =", lam, ":", np.sign(sxy) * max(abs(sxy) - lam / 2, 0) / sxx)

Получим $w=1{,}4$, $b=1{,}5$, MSE $1{,}05$ против $3{,}5$, после шага $1{,}425$ и $0{,}5$, Ridge $0{,}7$, Lasso $1{,}0$ и $0{,}0$.

Теперь учебный набор с 12 признаками. Генератор случайных чисел зафиксирован числом 7, поэтому результаты повторяются. Делим строки на train, validation и test по порядку.

from sklearn.linear_model import LinearRegression, Ridge, Lasso
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error

rng = np.random.default_rng(7)
X = rng.normal(size=(90, 12))
X[:, 3] = X[:, 0] + 0.2 * rng.normal(size=90)      # почти копия первого признака
true_w = np.array([3, -2, 1.5, 0, 0, 0, 0, 0, 0, 0, 0, 0.0])
y = 5 + X @ true_w + 2.0 * rng.normal(size=90)

X_train, X_val, X_test = X[:30], X[30:60], X[60:]
y_train, y_val, y_test = y[:30], y[30:60], y[60:]

def rmse(y_true, y_pred):
    return mean_squared_error(y_true, y_pred) ** 0.5

Для каждой модели строим конвейер «масштаб → модель». Для Ridge и Lasso перебираем значения alpha и оставляем то, при котором ошибка на validation минимальна. Тест в выборе не участвует.

alphas = np.logspace(-3, 3, 40)
best = {"МНК": make_pipeline(StandardScaler(), LinearRegression()).fit(X_train, y_train)}
for name, model_class in (("Ridge", Ridge), ("Lasso", Lasso)):
    scores = []
    for alpha in alphas:
        model = make_pipeline(StandardScaler(), model_class(alpha=alpha))
        model.fit(X_train, y_train)
        scores.append(rmse(y_val, model.predict(X_val)))
    best_alpha = alphas[int(np.argmin(scores))]
    best[name] = make_pipeline(StandardScaler(), model_class(alpha=best_alpha)).fit(X_train, y_train)
    print(name, "alpha =", round(best_alpha, 3), " validation RMSE =", round(min(scores), 2))

for name, model in best.items():
    print(name, "test RMSE =", round(rmse(y_test, model.predict(X_test)), 2))

После выбора считаем ошибку на тесте один раз. В этом учебном наборе получим примерно $3{,}29$ у МНК, $2{,}67$ у Ridge и $2{,}35$ у Lasso. Это один синтетический набор: числа показывают порядок, а не закон. Посмотрим на веса и посчитаем нули.

for name, model in best.items():
    coef = model[-1].coef_
    print(f"{name:6}", coef.round(2), " нулей:", int((coef == 0).sum()))
print("истина", true_w)

У Lasso 7 нулей из 12: ненулевыми остались $x_1$, $x_2$, $x_3$ и, слабо, $x_4$ и $x_5$. Три настоящих признака найдены, хотя вес $x_1$ занижен (около $2{,}2$ вместо 3). У МНК и Ridge нулей нет. Наконец проверим влияние единиц: умножим третий столбец на 100, будто его измерили в других единицах.

X_big = X_train.copy()
X_big[:, 2] *= 100
X_val_big = X_val.copy()
X_val_big[:, 2] *= 100

plain = Ridge(alpha=5).fit(X_train, y_train)
plain_big = Ridge(alpha=5).fit(X_big, y_train)
plain_gap = np.abs(plain.predict(X_val) - plain_big.predict(X_val_big)).max()
print("без масштаба, разница прогнозов:", round(plain_gap, 2))

scaled = make_pipeline(StandardScaler(), Ridge(alpha=5)).fit(X_train, y_train)
scaled_big = make_pipeline(StandardScaler(), Ridge(alpha=5)).fit(X_big, y_train)
scaled_gap = np.abs(scaled.predict(X_val) - scaled_big.predict(X_val_big)).max()
print("с масштабом, разница прогнозов:", round(scaled_gap, 2))

Без стандартизации смена единиц меняет прогнозы Ridge примерно на $0{,}47$ балла: штраф по-разному давит на вес. С конвейером разница равна нулю.

Попробуйте сами

1. В ручном примере замените $\lambda$ на $10$ и вычислите по формулам вес Ridge. Затем найдите наименьшее $\lambda$, при котором Lasso даёт $w=0$. Проверьте кодом. Для самопроверки: $0{,}467$ и $14$.
2. В листинге с 12 признаками обучите конвейер со StandardScaler и Lasso(alpha=3) и посчитайте ненулевые веса. Затем уменьшите alpha до 0.01. Объясните, как меняется число нулей. Для самопроверки: ненулевых весов 0 и 12.
3. Постройте свой путь коэффициентов: пройдите по alphas, обучите Ridge и сохраните coef_ в список; затем нарисуйте линии через matplotlib. Сравните с рисунком выше. Объясните, почему тест нельзя использовать для выбора alpha.

Что стоит унести с собой

Линейная модель — взвешенная сумма признаков, а обучение — подбор весов. МНК выбирает веса с наименьшей MSE; квадрат сильно наказывает большие ошибки. Поэтому модель чувствительна к выбросам, а при похожих признаках её веса неустойчивы. Ridge добавляет штраф на квадраты весов и сжимает их; Lasso штрафует модули и обнуляет часть весов, отбирая признаки. Силу штрафа выбирают по validation, а признаки масштабируют внутри конвейера.

Это могло бы пригодиться и для времени 3D-печати из занятия 1.1: вместо одного постоянного ответа линейная модель связала бы прогноз с высотой и числом цветов. Но такая связь не обязана описывать все особенности фигурки; сравнивать её с другими методами будем на одинаковых новых заказах. Проверьте себя: что показывает остаток? Почему выброс особенно влияет на MSE? Где подбирают силу штрафа и почему не на тесте? Подсказки и ответы — ниже.

Самопроверка

1. Для точки $(3;4)$ прямая $\hat y=1{,}4x+1{,}5$ даёт прогноз $5{,}7$. Чему равен остаток $e=y-\hat y$?

A. $+1{,}7$.

B. $-1{,}7$.

C. $5{,}7$.

D. $1{,}7^2$.

2. Почему МНК минимизирует сумму квадратов остатков, а не сумму остатков?

A. Квадраты считаются быстрее.

B. Остатки всегда положительны.

C. Положительные и отрицательные остатки гасят друг друга, и плохая прямая может иметь сумму ноль.

D. Без квадрата нельзя использовать признаки.

3. Прямая $\hat y=2x$ на точках $(1;3),(2;5),(3;4),(4;8)$. Чему равна MSE?

A. $1{,}5$.

B. $1{,}05$.

C. $6$.

D. $0$.

4. При $w=b=0$ производная MSE по $w$ равна $-28{,}5$. Что делает шаг градиентного спуска?

A. Уменьшает $w$.

B. Не меняет $w$.

C. Меняет знак $y$.

D. Увеличивает $w$.

5. Почему один выброс заметно поворачивает прямую МНК?

A. Выброс всегда лежит правее остальных точек.

B. Большая ошибка в квадрате становится очень большим слагаемым, и прямая смещается, чтобы его уменьшить.

C. Выброс увеличивает число признаков.

D. МНК игнорирует остальные точки.

6. Признаки $x_1$ и $x_2$ почти одинаковы, а настоящая зависимость $y=x_1+x_2+\text{шум}$. Что на рисунке с облаком весов остаётся устойчивым?

A. Только $w_1$.

B. Только $w_2$.

C. Каждый вес по отдельности.

D. Сумма $w_1+w_2$, около $2$.

7. В ручном примере $S_{xy}=7$, $S_{xx}=5$. Каков вес Ridge при $\lambda=10$?

A. $0{,}7$.

B. $1{,}4$.

C. $0{,}47$.

D. $0$.

8. В том же примере берём Lasso с $\lambda=20$. Каков вес?

A. $0$.

B. $-0{,}6$.

C. $0{,}4$.

D. $1{,}4$.

9. Lasso обнулил вес признака. Что из этого следует?

A. Признак можно не подавать модели: на её прогноз он не влияет.

B. Признак никак не связан с ответом.

C. Ridge на этих данных тоже обнулит этот вес.

D. Ошибка модели на тесте станет нулевой.

10. Как правильно подобрать alpha и учесть масштаб?

A. Выбрать alpha с лучшей ошибкой на тесте и стандартизовать весь набор сразу.

B. Не масштабировать, чтобы сохранить единицы.

C. Стандартизовать по train внутри конвейера, выбрать alpha по validation, на тесте измерить один раз.

D. Взять самый большой alpha.

Подсказки и решения

Вопрос 1

Подсказка

От настоящего ответа отнимаем прогноз.

Решение

B. $4-5{,}7=-1{,}7$: модель завысила прогноз. Квадрат остатка $2{,}89$ входит в MSE, но сам остаток — число со знаком.

Вопрос 2

Подсказка

Сложите остатки $+3$ и $-3$.

Решение

C. Сумма остатков не отличает точную прямую от прямой с большими ошибками разных знаков. Квадрат делает каждую ошибку неотрицательной и сильнее наказывает большие.

Вопрос 3

Подсказка

Прогнозы $2,4,6,8$; найдите остатки и средний квадрат.

Решение

A. Остатки $1,1,-2,0$; квадраты $1,1,4,0$; среднее $6/4=1{,}5$. Это больше $1{,}05$ у лучшей прямой, как и должно быть.

Вопрос 4

Подсказка

Идём против производной.

Решение

D. Новое $w=0-0{,}05\cdot(-28{,}5)=1{,}425>0$: производная отрицательна, поэтому увеличение $w$ уменьшает MSE.

Вопрос 5

Подсказка

Сравните вклад ошибки $1$ и ошибки $5$ в сумму квадратов.

Решение

B. Ошибка $5$ даёт $25$, а ошибка $1$ — только $1$. Поэтому МНК уменьшает ошибку на выбросе за счёт остальных точек.

Вопрос 6

Подсказка

Какая комбинация весов влияет на прогноз, когда $x_1\approx x_2$?

Решение

D. Облако весов вытянуто вдоль линии $w_1+w_2\approx2$: прогнозы почти одинаковы, а вес можно перекладывать между признаками. Ridge выбирает более равномерный вариант.

Вопрос 7

Подсказка

Формула $w=S_{xy}/(S_{xx}+\lambda)$.

Решение

C. $7/15\approx0{,}47$. Ответ $0{,}7$ получается при $\lambda=5$, а ноль Ridge при конечном $\lambda$ не даёт.

Вопрос 8

Подсказка

Сравните $\lambda/2$ с $S_{xy}=7$.

Решение

A. Порог $\lambda/2=10>7$, поэтому $S_{xy}-\lambda/2<0$ и вес равен нулю. Мягкий порог не переходит через ноль и не меняет знак веса; ответ $-0{,}6$ получился бы без этого правила.

Вопрос 9

Подсказка

Вспомните, как Lasso поступает с почти одинаковыми признаками.

Решение

A. Нулевой вес исключает признак из прогноза. Но связь с ответом у признака может быть: из двух почти одинаковых признаков Lasso часто оставляет один, а второй обнуляет, хотя он так же связан с ответом. Ridge веса до нуля не доводит.

Вопрос 10

Подсказка

Какие части данных можно использовать для настройки?

Решение

C. Подбор по тесту делает итоговую оценку оптимистичной, а масштаб, найденный на всём наборе, переносит сведения из validation и test в обучение. Слишком большой alpha обнуляет почти все веса.